Taal- en Tekstdata in Nederland

Taal- en Tekstdata in Nederland Een inventariserend en verkennend onderzoek naar de data-infrastructuur Data Archiving and Networked Services (DANS)

DANS Studies in Digital Archiving

7

Colofon

Data Archiving and Networked Services (DANS) Postbus 93067 2509 AB Den Haag T 070 3446 484 F 070 3446 482 [email protected] www.dans.knaw.nl ISBN: 978-94-90531-09-6 Auteur: Heiko Tjalsma Redactie: Heiko Tjalsma, Brenda Sørensen Vormgeving en druk: vijfkeerblauw, Rijswijk Cover foto: Sailing Letters, Koninklijke Bibliotheek

2011 Data Archiving and Networked Services (DANS), Den Haag

© Sommige rechten zijn voorbehouden / Some rights reserved Voor deze uitgave zijn gebruiksrechten van toepassing zoals vastgelegd in de Creative Commons licentie. [Naamsvermelding 3.0 Nederland]. Voor de volledige tekst van deze licentie zie http://www.creativecommons.org/licenses/by/3.0/nl/

2

Taal- en Tekstdata in Nederland

Inhoud

Inhoud Voorwoord 2 Dank 4 Management summary 5 1. Doelstelling en opzet van het onderzoek

7

2. Overzicht landschap taalen tekstwetenschappen in Nederland 10 3. Data-infrastructuur Taal en Tekst a. Aanwezige infrastructuur b. Leemtes infrastructuur c. Gewenste data-infrastructuur

15 15 25 28

4. Inventarisatie

33

5. Conclusie

36

6. Aanbevelingen voor DANS

38

Bijlage: 41 lijst geïnterviewden 41


1

Voorwoord DANS bevordert duurzame toegang tot digitale onderzoeks gegevens. Hiertoe stimuleert DANS dat wetenschappelijke onderzoekers gegevens duurzaam archiveren en hergebruiken via het online archiveringssysteem EASY. Tevens biedt DANS met Narcis.nl toegang tot duizenden wetenschappelijke datasets, e-publicaties en andere onderzoeksinformatie in Nederland. Daarnaast verzorgt het instituut training en advies en doet het onderzoek naar duurzame toegang tot digitale informatie. Om zijn dienstverlening zo goed mogelijk toe te spitsen op de vraag, voert DANS regelmatig dataverkenningen uit om de situatie met betrekking tot de toegang tot data op een bepaald vakgebied in kaart te brengen en te bepalen welke diensten DANS zinvol kan vervullen. Op het gebied van de taalen letterkunde waren de activiteiten van DANS altijd betrekkelijk bescheiden. Dat kwam vooral omdat Nederland op het gebied van digitaal taalen tekstonderzoek zo’n sterke traditie heeft en een aantal sterke instituten kent, die zelf onderzoek doen, maar ook het veld van dienst zijn. Toch is de vraag om duurzaam toegankelijke corpora een oude. Al in de jaren 90 werd een inventarisatie van talige en tekstuele bronnen uitgevoerd door de toenmalige Stichting Tekstcorpora en Databases in de Humaniora (STDH). De infrastructuur voor het taalen letterkundig onderzoek wordt de laatste jaren versterkt door initiatieven voor landelijke en Europese onderzoeksinfrastructuren, zoals CLARIN (Common Language Resources and Technology Infrastructure) en DARIAH (Digital Research Infrastructure for the Arts and Humanities). Door dergelijke initiatieven verbetert veel in de beschikbaarheid van data en tools in de geesteswetenschappen. Maar ook wordt duidelijk dat er aan de duurzame datadiensten van DANS 2


wel degelijk een behoefte is. Deze inventarisatie, die in samen werking met de belangrijke spelers, tevens partijen in CLARIN en/of DARIAH, tot stand kwam, laat zien dat er behoefte bestaat aan een gebundelde, duurzame toegang tot de vele taalen tekstbronnen in Nederland.

Peter Doorn, Directeur DANS


3

Dank

Dank Aan allen die meegewerkt hebben aan dit onderzoek is veel dank verschuldigd. Dat betreft de leden van de begeleidingscommissie, bestaande uit dr. J. Beeken, directeur Instituut voor Nederlandse Lexicologie, dr. K.H. van Dalen-Oskam, werkgroep leider Huygens ING Instituut, Prof. dr. E. Talstra, Hoogleraar Oude Testament, Faculteit Godgeleerdheid VU, dr. E. T houtenhoofd, destijds senior researcher The Virtual Knowledge Studio for the Humanities and Social Sciences (KNAW), P. W ittenburg, Technisch Directeur Max Planck Instituut voor Psycholinguis tiek, Nijmegen en dr. P.K. Doorn, directeur Data Archiving and Networked Services. Mijn dank gaat vooral ook uit naar alle personen die, soms langdurig, met ons gesproken hebben in het kader van dit onderzoek. Hun namen zijn vermeld in de bijlage. Deze dank strekt zich tevens uit naar degenen die commentaar hebben geleverd op de concept versie van dit rapport: dr. J. Beeken (INL), dr. K.H. van Dalen-Oskam (Huygens ING), prof. dr. J.E.J.M. Odijk ( CLARIN. NL) en prof. dr. ir. L.C.W. Pols (wetenschappelijke adviesraad DANS) alsmede van DANS dr. Dirk Roorda en dr. Marjan Grootveld. Daarnaast moet ook de goede samenwerking met CLARIN. EU en later CLARIN.NL genoemd worden.

Heiko Tjalsma, april 2011

4


Management summary

Management summary Het doel van dit onderzoek was om de data-infrastructuur in Nederland voor het taalen tekstwetenschappelijke terrein in hoofdlijnen in kaart te brengen. Dit zou moeten leiden tot aanbevelingen met betrekking tot het gebruik en de duurzame bewaring van taalen tekstdatabanken in Nederland. Taal- en tekstwetenschappen zoals voor dit onderzoek begrensd vormen een uiterst brede en diverse discipline. Er bestaan grote verschillen in de behoeften van taalen tekstwetenschappers. Daarmee samenhangend moet geconstateerd worden dat er een grote variëteit bestaat in de bestaande voorzieningen op data-infrastructureel gebied. Er is in Nederland sprake van een beperkt aantal grote instituten met veel relevant bronnenmateriaal. Deels zijn dit wetenschappelijke onderzoeksinstituten die meer of minder actief permanente toegang tot de door dit instituut (of anderen) geproduceerde data verzorgen. Deze data zijn specifiek voor wetenschappelijk onderzoek geproduceerd. Deels zijn dit echter ook op een algemeen publiek gerichte instellingen die data aanbieden die door onderzoekers meestal verder worden bewerkt. Een voorbeeld van het eerste is het Huygens ING Instituut, voorbeeld van het tweede zijn de DBNL en de wetenschappelijke bibliotheken. Een belangrijk deel van het taalen vooral meer individualistisch ingestelde letterkundige onderzoek moet het op dit moment zonder een bestaande infrastructuur doen. In het bijzonder geldt dat voor aan universiteiten uitgevoerd onderzoek. Vooral bij de letterkundigen leeft daarom een sterke wens naar een “unificerende infrastructuur”. Het is mogelijk dat CLARIN hier in gaat voorzien. In eerste instantie zal dit een taak van de CLARIN centra (MPI, Meertens Instituut, INL, Huygens ING, DANS) worden. In hoeverre deze het hele onderzoeksveld zullen bestrijken is echter nu nog de vraag.


5

Verschillende onderzoekers in het veld stelden vast dat veel bestanden dreigen te verdwijnen, maar dat er geen volledig beeld van de grootte van dit probleem is, ook niet bij plaat selijke onderzoekscentra. Voor de meesten staat wel vast dat hier op korte termijn actie op ondernomen moet worden. In de aanbevelingen (hoofdstuk 6) is aangegeven welke rol DANS voor de data-infrastructuur op taalen tekstwetenschappelijk gebied wil spelen.

6


1. Doelstelling en opzet van het onderzoek

1. Doelstelling en opzet van het onderzoek Dit rapport bevat de rapportage over het door DANS geïnstigeerde project “Inventarisatie Taal- en Tekstdatabanken in Nederland”. Deze inventarisatie past, net zoals het eerder verschenen rapport over psychologische onderzoeksdata1, in een reeks van oriëntaties op disciplines waar DANS zelf nog niet (erg) actief in is. Deze oriëntaties vormden één van de opdrachten die DANS bij de oprichting in 2005 van KNAW en NWO meekreeg, namelijk om de behoefte aan nieuwe data-archieven binnen de geesteswetenschappen en de maatschappij- en gedragswetenschappen te verkennen. De doelstelling van specifiek dit project was om aanbevelingen te doen met betrekking tot het gebruik en de duurzame bewaring van taalen tekstdatabanken in Nederland. Het was kortom de bedoeling om de data-infrastructuur van dit onderzoeksgebied in kaart te brengen. Het onderzoek diende zich vooral te richten op de vraag hoe de situatie ten aanzien van de langetermijn-bewaring van deze databanken is. Zijn de bestaande faciliteiten daarvoor op dit moment voldoende? Is uitbreiding daarvan gewenst? Is de digitale duurzaamheid van de databanken gewenst, noodzakelijk of overbodig? Moeten ook de tools, de programma’s waarmee de data gecreëerd zijn, bewaard worden om volledige reconstrueerbaarheid, óók in de toekomst, mogelijk te maken? En wie moet dat doen, indien gewenst? Moet dat op één centraal punt, bij enkele grote instituten of decentraal bij lokale repositories van universiteiten of instellingen? Liggen hier taken voor DANS? Om duidelijk aan te geven waar dit onderzoek wél, maar ook waar het niet op was gericht: de focus van dit onderzoek lag 1

oorbrood C., Data – Voer voor psychologen? Archivering, beschikbaarstelV ling en hergebruik van onderzoeksdata in de psychologie, Den Haag 2010, DANS studies in digital archiving 4


7

op alle in Nederland bestudeerde talen, maar was wel beperkt tot bestanden die gevormd zijn in een academische onderzoeks omgeving. Daarbij ging het ook om primair taalkundig of tekst onderzoek en niet bijvoorbeeld om historisch of juridisch onderzoek dat aan de hand van teksten plaatsvindt. In het onderzoek, ook in deze verslaglegging daarvan, wordt in het woord datainfrastructuur met data bedoeld alle mogelijke onderzoeks bronnen in de taalen tekstwetenschappen. Dat zijn veelal teksten, maar ook spraakbestanden of audio- of v ideobestanden met gebarentaal. Om erachter te komen welke gebruikerswensen leven bij de Nederlandse taalen letterkundigen is met een beperkt aantal voor het onderzoeksveld representatieve personen g esproken (zie bijlage 1). Deze groep bevatte zowel onderzoekers als vertegenwoordigers van de op dit terrein werkzame institu ten, alsmede van de Nederlandse Taalunie en CLARIN. Deze gesprekken waren uitdrukkelijk niet bedoeld om een uitputtend overzicht te verkrijgen, maar vooral om een eerste oriëntatie van de situatie in het veld te krijgen en vooral om duidelijke knelpunten te kunnen vaststellen. Daarnaast werd een inventarisatie van de in Nederland existerende databanken op dit terrein noodzakelijk geacht. Op deze manier kan een beter inzicht in het hele veld verkregen worden. In het tweede hoofdstuk van dit rapport wordt in het kort het gehele landschap van taalen tekstonderzoek in Nederland, voor zover relevant voor de data-infrastructuur geschetst. Over de gesprekken met het “veld”, de zo breed mogelijk samengestelde groep gebruikers, over de sterke en de zwakke kanten van de Nederlandse taalen tekst-infrastructuur wordt in hoofdstuk 3 gerapporteerd. In hoofdstuk 4 wordt aandacht besteed aan de inventarisatie en de huidige stand van zaken daarvan. In hoofdstuk 5 worden de aanbevelingen om gebruik, creatie en bewaring van databanken op het gebied van taalen letterkunde te verbeteren geformuleerd. In de management s ummary

8


worden deze samengevat. Gedurende de looptijd van dit onderzoek (het is gestart in 2008) is het Europese “data-infrastructuur” project CLARIN Common Language Resources and Technology Infrastructure - van de grond gekomen. Hiermee is nauw samengewerkt, in het bijzonder op het punt van de inventarisatie van data banken in Nederland. CLARIN is een potentieel belangrijke nieuwe factor voor de taalen tekst infrastructuur in Nederland. Op dit moment is CLARIN echter nog in ontwikkeling. Om die reden heeft een aantal constateringen ten aanzien van CLARIN een tentatief karakter. Het Nederlandse taalen tekstlandschap zal er echter, door toedoen van CLARIN, speciaal CLARIN-NL, over enige jaren ongetwijfeld anders uitzien. Het onderzoek is uitgevoerd door Heiko Tjalsma, met assistentie van Olga Veldhorst en in nauwe samenwerking met Dirk Roorda, allen van DANS.


9

2. Overzicht landschap Taal- en Tekstwetenschappen in Nederland

2. Overzicht landschap Taal- en Tekstwetenschappen in Nederland Dit hoofdstuk bestaat uit een korte schets van het landschap voor taal en tekst in Nederland, voor zo ver relevant voor de data-infrastructuur. Eerst is er enige aandacht voor de overeenkomsten en verschillen tussen taalen tekstwetenschappen. In hoeverre kunnen taalen tekstwetenschappen als één vak gebied beschouwd worden? Gerealiseerd dient te worden dat in dit oriënterend onderzoek alle in Nederland bestudeerde talen zijn beschouwd. De inventarisatie heeft zich daarbij beperkt tot de academische onderzoeksomgeving. Taal en tekst vormen een zeer uitgebreid onderzoeksgebied dat op uiteenlopende wijzen ingedeeld en onderverdeeld kan worden. Daarbij spelen in de praktijk niet alleen inhoudelijke, maar ook andere factoren mee, zoals wetenschaps-organisatorische of taalpolitieke. Deze indelingen zijn in de praktijk zeer relevant voor de data-infrastructuur. Een zeer belangrijk onderscheid is dat tussen taalen tekst wetenschappen. Bij taalkundigen staat onderzoek naar de taal zelf, als systeem, centraal, terwijl door tekstwetenschappers de, vooral geschreven, producten van een taal bestudeerd worden: de inhoud, maar ook de context en de stijl van teksten. Vooral dit laatste element kan een relatie tussen taalen letterkunde leggen. Taalkundigen kunnen voor hun onderzoek alle uitingen van taal gebruiken, van geschreven middeleeuwse teksten tot huidige gesproken of getwitterde taal. Het doet er daarbij niet toe of het om “hogere” literatuur of taal voor huis-, tuin- en keukengebruik gaat. Taalkundigen hebben het liefst de beschikking over grote zo representatief mogelijke bestanden. Speciaal in de taalen spraaktechnologie heeft men liefst zo groot mogelijke corpora. Voor letterkundigen is primair de geschreven taal en dan vooral de literatuur, interessant. Het bronnenmateriaal van beide disciplines overlapt elkaar daardoor deels, maar het 10


gebruik is verschillend. Ook de kwantiteit is verschillend: voor letterkundig onderzoek zijn meestal geen grote corpora nodig, maar teksten van kleinere omvang, die in de diepte worden geanalyseerd. Taalkundigen maken al geruime tijd gebruik van statistische en kwantitatieve onderzoeksmethoden. Grote corpora zijn alleen met deze methoden te analyseren. Taalkundigen zijn daarom ook, samen met sociaal-economische historici, als eersten binnen de geesteswetenschappen met computers gaan werken, in eerste instantie vaak met gebruikmaking van statistische software (zoals bijvoorbeeld SPSS). Daarnaast werden statistische methoden gebruikt om taal en spraak te modelleren. Verder kan nog worden opgemerkt dat sommige taalkundige tools of de resultaten daarvan, zoals de voor lemmatisering en Named Entity Recognition (het herkennen van eigennamen) toegepaste, ook door letterkundigen worden gebruikt. Door de bovengenoemde verschillen in onderzoeksmethoden hebben de taalkundigen ook behoefte aan andere soorten tools dan de letterkundigen. Veel applicaties worden daarom door de linguïsten zelf ontwikkeld vanwege het specifieke karakter daarvan. Taalkundig onderzoek kan voorts tot praktische toepassingen leiden die als technische uitvindingen te beschouwen zijn en van praktisch nut zijn voor de maatschappij. Ze kunnen daardoor ook commercieel geëxploiteerd worden. Spraaktechnologisch onderzoek (spraakherkenning) is een duidelijk voorbeeld daarvan. In het grote Vlaams-Nederlandse meerjaren programma taalen spraaktechnologie STEVIN (looptijd 20042011) is één van de doelstellingen het “stimuleren van de vraag naar taalen spraaktechnologische producten”. Het is niet toevallig dat het Ministerie van Economische zaken dit programma mede subsidieert. Het programma is ook ontstaan uit een onderzoek in opdracht van dit ministerie “Technologie verkenning Nederlandstalige Taal en Spraaktechnologie”. Dit onderzoek genereert zowel taalen spraakcorpora als tools. Alleen al het totaalbudget van het STEVIN onderzoeksprogramma, 11,4 Taal- en Tekstdata in Nederland

11

miljoen euro, laat zien dat er voor taaltechnologisch onderzoek een aanzienlijke hoeveelheid geld beschikbaar is. Anders dan bij taalkundig onderzoek worden tools en analysemethoden door de letterkundigen (nog) niet zelf ontwikkeld. Bij letterkundig onderzoek is in aanzienlijk mindere mate sprake van toepassing van IT-methoden. Voor letterkundigen zijn vooral de mogelijkheid van het maken van tekstedities van belang; bij een originele tekst worden annotaties en commentaren geplaatst, waardoor vele verschillende versies, transscripties en vertalingen van de tekst kunnen ontstaan, vaak naast elkaar. Daarnaast is er een zekere toename van meer kwantificerend, analyserend onderzoek te constateren. Van commerciële mogelijkheden voor toegepaste technologie is zeker geen sprake. Vanuit een organisatorisch oogpunt gezien is het letterkundig onderzoek vaak nog tamelijk individualistisch van aard, terwijl bij taalkunde al meer in grotere, beter georganiseerde, onderzoeksgroepen wordt gewerkt, soms zelfs al op internationale schaal, zoals in de exacte of sociale wetenschappen min of meer de regel is. Als voorbeeld daarvan kan de grote WALS atlas (The World Atlas of Language Structures) in Leipzig genoemd worden waarvoor gegevens uit de hele wereld komen. In de praktijk van het taalen letterkundig onderzoek in Nederland valt dit onderscheid waar te nemen. Speciaal in het onderzoek is er een sterke scheiding tussen taalkundig onderzoek enerzijds en letterkundig onderzoek anderzijds. Dit komt heel duidelijk tot uiting in de organisatie van het onderzoeksveld. Er zijn vakgroepen of instituten die op een of andere wijze aan taalkunde doen (Fonetiek, “Language and Speech Technology”, Socio- of Psycho-linguïstiek bijvoorbeeld) en andere die aan letterkunde doen (“Moderne Europese Letterkunde”, Mediëvistiek of Historische, Literaire en Culturele Studies bijvoorbeeld). Kenmerkend is dat letterkundig onderzoek nogal eens in combinatie met antropologisch of (cultureel-) historisch onderzoek plaatsvindt. Inhoudanalyse van teksten is zelfs een

12


techniek die meer in historisch dan in de tekstonderzoek wordt toegepast. Deze organisatorische scheiding van het onderzoeksveld is overigens typisch Nederlands. In Duitsland bijvoorbeeld is deze scheiding om historische redenen niet zo aanwezig; taal en tekst zijn daar sterk aan elkaar gekoppeld. Taal- en letterkundig onderzoek vindt in Nederland plaats op universiteiten en daarnaast in een aantal gespecialiseerde, merendeels vrij grote, onderzoeksinstituten. Op de belangrijkste van deze instituten en hun organisatorische context wordt in het volgende hoofdstuk dieper ingegaan. Een paar algemene lijnen met betrekking tot de data-infrastructuur ten aanzien van deze instituten kunnen hier worden geschetst. Volgens een aantal geïnterviewden kan de in Nederland aanwezige data-infrastructuur op taalen letterkundig onderzoeksterrein het best omschreven worden als een gedistribueerde infrastructuur met enkele grote “spelers”. Dat zijn de instituten die, in een onderling verschillende context, actief zijn op het terrein van taalen/ of tekstwetenschappen. Van belang is het te constateren dat sommige van deze grote instituten niet uitsluitend of in de eerste plaats onderzoeksinstituten (zoals het INL) zijn, maar ook of vooral te beschouwen zijn als documentaire informatie voorziening, als bibliotheek of als archief (bijvoorbeeld de DBNL). Sommige van deze instituten zijn wel meer dan andere gesitueerd in de wetenschappelijke onderzoeksomgeving. Het INL – Instituut voor Nederlandse Lexicologie en de DBNL – Digitale Bibliotheek voor de Nederlandse Letteren - spelen een bijzondere rol in het bewaren én toegankelijk maken van Nederlands tekstmateriaal, in de meest brede zin van het woord. Door de bij het INL ondergebrachte TST-Centrale omvat dat tegenwoordig ook gesproken Nederlands en taaltechnologische tools. Van beide instituten, onder hoede van de Nederlandse Taalunie, kan in ieder geval gezegd worden dat zij Nederlandse teksten als basismateriaal aanbieden. De DBNL is in dit opzicht goed te vergelijken met de positie van de openbare archieven voor de historische wetenschappen: zelf geen Taal- en Tekstdata in Nederland

13

wetenschappelijke onderzoeksinstellingen, bevatten de archieven belangrijk bronnenmateriaal voor historisch-wetenschappelijk onderzoek. In het geval van de DBNL gaat het uitsluitend om gedigitaliseerd materiaal. Naast het INL en de DBNL zijn er nog andere instellingen die in toenemende mate digitaal bronnenmateriaal aanbieden dat voor taal- of tekstwetenschappelijk onderzoek van belang is. Daarbij moet dan aan de nationale bibliotheek van Nederland, de Koninklijke Bibliotheek (KB), gedacht worden en uiteraard de universiteitsbibliotheken. Daarnaast is er een andere categorie instituten. Dat zijn de wetenschappelijke onderzoeksinstituten die, net zoals het INL, óók over grote onderzoeksbestanden beschikken, zoals het Meertens Instituut of het Max Planck Institute for Psycholinguistics (MPI). Wetenschappelijk onderzoek staat voorop bij deze instituten en is in het geval van het tweede instituut ook niet beperkt tot het Nederlands. Een nieuw element in dit veld wordt gevormd door de initiatieven van de Europese Commissie, die hoge prioriteit legt bij de totstandkoming van een Europese e-infrastructuur voor research. Daartoe worden op dit moment voor verschillende disciplines data-infrastructuren opgezet. Voor taalen letter kunde is dat CLARIN en voor de humaniora DARIAH. Ondanks onderlinge verschillen in opzet en samenstelling van deze toekomstige data-infrastructuren hebben deze gemeen dat ze uitdrukkelijk op het creëren van een infrastructuur voor wetenschappelijk onderzoek gericht zijn. CLARIN is op dit moment al zo gevorderd dat begonnen is landelijk een organisatie op te bouwen. CLARIN richt zich uitdrukkelijk op zowel taal- als letterkundigen. In het bovenstaande is in zeer grote lijnen het Nederlandse data-landschap met betrekking tot de taalen tekstwetenschappen aangegeven naar de huidige stand van zaken. Daar zullen zeker veranderingen in gaan optreden, vooral door de komst van CLARIN.

14


3. Data-infrastructur Taal en Tekst

3. Data-infrastructuur Taal en Tekst In dit hoofdstuk wordt nader ingegaan op de vraag in hoeverre de nu in Nederland aanwezige data-infrastructuur volledig dekkend is. Daartoe is het nodig deze data-infrastructuur eerst in grote lijnen te beschrijven, met vooral aandacht voor de grote instituten en hun takenpakket en overkoepelende organisaties als de Nederlandse Taalunie en CLARIN. Dat gebeurt in paragraaf a, waarna in paragraaf b wordt bezien of en welke lacunes in de infrastructuur geconstateerd kunnen worden. In paragraaf c wordt, concluderend, bezien welke data-infrastructuur voor taal en tekst gewenst is. a. Aanwezige infrastructuur

De grote onderzoeksinstituten zijn het INL – Nederlandse Instituut voor Lexicologie in Leiden, het MPI - Max Planck Instituut in Nijmegen, het Huygens ING Instituut in Den Haag en het Meertens Instituut in Amsterdam. Daarnaast is de DBNL- Digitale Bibliotheek voor de Nederlandse Letteren te Leiden als leverancier van bronnenmateriaal voor de Neerlandistiek als een belangrijk instituut te beschouwen. Dat laatste geldt ook voor de Nederlandse wetenschappelijke bibliotheken, de Koninklijke Bibliotheek voorop, die digitale tekstbestanden aanbieden. Tenslotte gaan we in op de positie van de Nederlandse Taalunie en CLARIN. INL – Instituut voor Nederlandse Lexicologie Het INL speelt een belangrijke rol in de digitale taalinfrastructuur van het Nederlands. Het is van belang zich daarbij te realiseren dat dit Nederlands-Vlaamse instituut gebonden is aan het hele Nederlandstalige gebied, dus niet alleen aan Nederland. Het INL is een zelfstandig instituut dat voor het overgrote deel door de Nederlandse Taalunie gefinancierd wordt. Taal- en Tekstdata in Nederland

15

Het INL is een onderzoeks-, expertise- en bronnencentrum voor de Nederlandse taal. Het INL is daardoor een belangrijk onderdeel van de digitale taalinfrastructuur voor het Nederlands. Het realiseren daarvan ziet het INL voor zichzelf als één van haar hoofdtaken. Het INL biedt een uitgebreid scala aan als basismateriaal, dat door wetenschappelijke onderzoekers gebruikt kan worden. Het gaat hierbij zowel om data, zoals digitale gegevensbanken, corpora van geschreven en gesproken taal, elektronische woordenboeken en computationele lexica als om tools, zoals software en trainingsmateriaal voor verrijking van taalmateriaal. Een belangrijke taak van het INL is het beheren van de Centrale voor Taal- en Spraaktechnologie: de TST-Centrale. Dit is de centrale voor beheer, onderhoud en distributie van Nederlandse digitale taalmaterialen. De taalmaterialen zijn veelal met overheidsgeld gefinancierd en worden door de TST-Centrale onderhouden en beschikbaar gesteld voor onderwijs, onderzoek en ontwikkeling. Een belangrijke missie van de TST-Centrale is het beheren, onderhouden en distribueren van de resultaten van het STEVIN programma en daar verdere dienstverlening omheen te bouwen. Omgekeerd hebben deelnemers aan het STEVIN programma de verplichting de in dat project o ntstane data en tools bij de TST-Centrale onder te brengen. STEVIN is een groot Nederlands-Vlaams meerjarenprogramma gericht op taalen spraaktechnologie. Het is ontstaan uit een in opdracht van het Ministerie van Economische Zaken gehouden onderzoek “Technologie verkenning Nederlandstalige Taal en Spraaktechnologie”. Daarbij is een benchmarking betrokken van EUROMAP waaruit bleek dat Nederland en m indere mate België in Europees verband hoog scoren wat betreft taalen spraaktechnologisch onderzoek. Nederland staat met Engeland en Duitsland in de kopgroep. Bij aanvang van het programma is een nulmeting verricht met vaststelling van succescriteria; de bedoeling is aan het eind van de rit het programma aan de hand van deze criteria te evalueren, vooral met betrekking tot

16


de wetenschappelijke en economische output. Het programma loopt tot 2011 en wordt gecoördineerd door de Nederlandse Taalunie. Het onderzoek binnen STEVIN valt in drie componenten uiteen: 1. Creatie van resources (databestanden, tools, in het bijzonder voor spraakherkenning) 2. Toegepast onderzoek (R&D) 3. Demo-projecten (“showcases”) Van belang voor dit onderzoek zijn de afspraken over de beschikbaarheid. De eigendomsrechten en distributie rechten van de projectresultaten (bestanden en tools) worden verplicht overdragen aan de Nederlandse Taalunie. Distributie en bewaring worden vervolgens door de TST-Centrale uitgevoerd2. Als alternatief is in principe, onder voorwaarden, Open Source mogelijk bij software. Dit is meer uitzondering dan regel. Het Corpus Gesproken Nederlands is bij de TST-Centrale ondergebracht. Onderdeel van de acceptatie door de TST-Centrale is het testen en controleren van de ingeleverde materialen. De TST-Centrale houdt zich bezig met beheer, onderhoud en exploitatie. Dit ligt bij tools soms vrij gecompliceerd. De TST-Centrale valt in veel gevallen terug op specialisten voor onderhoud van tools. Helemaal een open vraag is in hoeverre bewaring op de lange termijn de taak van de TST-Centrale is. Een mogelijk model zou zijn dat de opslag bij DANS gaat plaatsvinden en het lopend onderhoud door de TST-Centrale uitgevoerd wordt. Vermeldenswaard zijn nog de projecten Meldpunt Taal en Impact (Improved Access to Text). Hierin werkt het INL samen met enige andere organisaties, zoals het Meertens Instituut (Meldpunt Taal) en de Koninklijke Bibliotheek (IMPACT).

2

Zie http://www.inl.nl/nl/prijzen-en-voorwaarden/licenties/overdrachtslicenties Taal- en Tekstdata in Nederland

17

MPI- Max Planck Institute for Psycholinguistics Het “Max Planck Institute for Psycholinguistics” is een wetenschappelijk onderzoeksinstituut van de Duitse Max Planck Gesellschaft. Haar onderzoeksmissie ligt op het terrein van de psychologische, sociale en biologische grondslagen van taal. Naast het verrichten van onderzoek speelt het MPI een belangrijke rol in de data-infrastructuur van Nederland op het terrein van taalkunde doordat het grote taal-databases en –corpora beheert. Eén van de belangrijkste daarvan is DoBeS: Documentation of Endangered Languages. Dit is een grootschalig onderzoeksprogramma waarin talen die op het punt staan te verdwijnen gedocumenteerd worden. Tweede hoofddoelstelling is om deze documentatie, die betrekking heeft op meer dan veertig talen, te bewaren voor de lange termijn alsmede de taalbestanden zelf. DoBeS is uitdrukkelijk beperkt tot bedreigde talen. Daarbij moet er altijd een antropologische component bij de taalbestanden aanwezig zijn. Een andere belangrijke database is het NGT Corpus: Sign Language of the Netherlands. Deze bevat audio visuele data, voorzien van annotaties: opnames van gebarentaal voor doven, met behulp van videocamera’s. Het MPI functioneert feitelijk als een data-archief op taalkundig terrein, in het bijzonder van zeldzame talen. Huygens ING Instituut Het Huygens ING Instituut is een onderzoeksinstituut van de KNAW, dat zich richt op de Nederlandse literatuur- en wetenschapsgeschiedenis vanaf de Middeleeuwen tot heden. Het is niet primair een taalkundig, maar eerder een letterkundig instituut. Het verzorgen van tekstedities staat centraal. Het instituut vervaardigt wetenschappelijke tekstedities en bronnenpublicaties en heeft daarnaast de taak het Nederlandse literaire erfgoed voor een breed publiek ter beschikking te stellen. Het Huygens ING Instituut verricht ook analytisch en interpretatief onderzoek op de genoemde onderzoeksgebieden. Het 18


instituut ontwikkelt programmatuur en doet onderzoek naar de wijze waarop ICT kan worden ingezet bij tekstgericht onderzoek. Een belangrijke door het Huygens ING Instituut gebouwde voorziening is eLaborate, een web-based softwareapplicatie waarmee elektronische edities online kunnen worden vervaardigd en gepubliceerd. Dit is wel een terrein dat nog sterk in ontwikkeling is. Geëxploreerd wordt welke nieuwe technische mogelijkheden er zijn voor tekstanalytisch onderzoek en voor het maken van digitale tekstedities, en hoe deze zich verhouden tot de bestaande onderzoekswensen en editiewetenschappelijke standaarden. Meer in het algemeen gesproken is er sprake van een zekere voortgang bij het meer statistisch/kwantitatief (empirisch) benaderen van de letterkunde, iets wat in deze tot nu toe redelijk traditionele en individualistische wetenschappelijke discipline minder gebruikelijk was. Op infrastructureel terrein moeten genoemd worden het onderhouden van de Bibliografie van de Nederlandse Taalen Literatuurwetenschap (BNTL), de website van het Platform Tekstedities, het Digitaal Wetenschapshistorisch Centrum (DWC) en het tijdschrift Studium. Ook moet hier het project Alfalab genoemd worden. Alfalab is een initiatief van de KNAW waarin vier wetenschappelijke instituten (DANS, Fryske Akademy, Huygens ING Instituut en het Meertens Instituut) en het onderzoeksprogramma Virtual Knowledge Studio samenwerken. Alfalab wil een virtuele onderzoeksinfrastructuur voor de geesteswetenschappen bieden en daarmee een betere benutting van digitale data en gereedschappen. Eén van de proeftuinen is de virtuele onderzoeksomgeving Tekstlab. In dit project wordt een vernieuwde versie ontwikkeld van eLaborate. Dit wordt daarbij aangevuld met een aantal nieuwe functionaliteiten en verder worden nieuwe gedistribueerde oplossingen geïmplementeerd voor taken zoals autorisatie, data-archivering, webservicing e.d. die Tekstlab en Alfalab overstijgend zijn. Taal- en Tekstdata in Nederland

19

In hoeverre het Huygens ING Instituut een rol van tekstarchief op zich wil nemen is op dit moment niet helemaal duidelijk. Duidelijk is wel dat het instituut zich bezighoudt met teksten die zodanig geredigeerd zijn dat deze voor wetenschappelijke analyse bruikbaar zijn. Op dit moment is het Huygens ING Instituut betrokken in een fusie met het Instituut voor Nederlandse Geschiedenis ING. Dit historische onderzoeksinstituut geeft bronnenpublicaties ten behoeve van historisch onderzoek uit, tegenwoordig in digitale vorm. Hoe het nieuwe, gefuseerde, instituut er uiteindelijk uit zal zien, is nu nog niet duidelijk. Meertens Instituut Dit Instituut is ook een instituut van de KNAW. Het is een onderzoeksinstituut dat zich bezighoudt met de bestudering en documentatie van Nederlandse taal en cultuur. Op het gebied van de Nederlandse taal bestudeert het Meertens Instituut zowel geografische als sociale variatie, een specifiek terrein dat binnen de taalkunde wordt aangeduid met Variatielinguïstiek. De onderzoekersgroep van het Meertens Instituut omvat onder meer disciplines als taalkunde, sociolinguïstiek, neerlandistiek, geschiedwetenschap, antropologie, sociologie, muziekwetenschap en cultuurwetenschappen. Op deze vakgebieden heeft het instituut decennialang materiaal verzameld, geconserveerd, gedocumenteerd, inhoudelijk ontsloten en onderzocht. Een aantal grootschalige databanken ondersteunt het onderzoek. Deze worden door het Meertens Instituut onderhouden en zijn nu grotendeels gedigitaliseerd. Te noemen zijn de Soundbites (digitaal geluidsmateriaal van dialectsprekers uit alle delen van Nederland), de Nederlandse Familienamenbank, de Nederlandse Voornamenbank, de Nederlandse Liederenbank, de Feesten bank, Plantennamen in de Nederlandse Dialecten (PLAND) databank, Nederlandse Volksverhalenbank, de Dynamische Syntactische Atlas van de Nederlandse Dialecten (DynaSAND) en de database van de Morfologische Atlas van de Nederlandse Dialecten (MAND). 20


DBNL - Digitale Bibliotheek voor de Nederlandse Letteren De Digitale Bibliotheek voor de Nederlandse Letteren presenteert zichzelf als een website over de Nederlandse literatuur, taal en cultuurgeschiedenis. Het is daardoor niet een instituut zoals de eerdergenoemde en zeker geen onderzoeksinstituut. De DBNL is wel van groot en nog steeds toenemend belang voor de infrastructuur met betrekking tot het bronnenmateriaal van de neerlandistiek en andere tekstgeoriënteerde wetenschappen. De site bevat primaire bronnen, literaire teksten, maar ook secundaire literatuur en aanvullende informatie als biografieën, portretten, hyperlinks en een groot aantal studies op een zeer breed terrein van de Nederlands(talig)e cultuurgeschiedenis. De Digitale Bibliotheek voor de Nederlandse Letteren is een initiatief van de Stichting DBNL die in 1999 werd opgericht door de Maatschappij der Nederlandse Letterkunde. Voor de bekostiging van haar basistaken ontvangt de stichting een jaarlijkse bijdrage van de Nederlandse Taalunie. De teksten in de DBNL hoeven niet primair een literair karakter te hebben. De in de DBNL aanwezige teksten die een snel groeiend corpus van een belangrijk deel van de Nederlandse letteren in de breedste zin van het woord vormen, zijn te beschouwen als een Nederlandstalig tekstarchief. Dit tekst archief is wel van elementaire aard. Teksten worden als html en pdf aangeboden. Als bewaring wordt XML-formaat gebruikt, maar de teksten worden niet standaard op de website in deze vorm aangeboden. Een wetenschappelijke onderzoeker die verdere analyses met deze teksten wil uitvoeren zal daartoe zelf aan de slag moeten, met zelfgemaakte of standaard software. In zoverre functioneert de DBNL in principe niet anders dan de meeste archieven die archiefbestanden uit hun collectie, tegenwoordig in toenemende mate digitaal, ook in hun “kale”, elementaire vorm aanbieden.


21

Bibliotheken Naast het INL en de DBNL zijn er nog andere instellingen die in toenemende mate digitaal bronnenmateriaal aanbieden dat voor taal- of tekstwetenschappelijk onderzoek van belang is. In de eerste plaats moet de nationale bibliotheek van Nederland, de Koninklijke Bibliotheek (KB), genoemd worden. Deze is al sinds 1995 bezig delen van haar omvangrijke collectie te digitaliseren, in het begin vooral op beeldmateriaal gericht. Twee grote projecten zijn de Handelingen en Kamerstukken van de Staten-Generaal en de Databank Digitale Dagbladen. In dit laatste project worden de Nederlandse kranten vanaf 1618 gedigitaliseerd. Daarnaast moeten nog genoemd worden het programma Het Geheugen van Nederland, gecoördineerd door de KB. In dit programma worden (deel)collecties van a rchieven, musea en bibliotheken gedigitaliseerd. Het betreft overigens vooral veel beeldmateriaal, waardoor het minder interessant is voor taalkundig onderzoek. Tenslotte wordt nog in het conserveringsprogramma Metamorfoze kwetsbaar b ibliotheeken archiefmateriaal gedigitaliseerd als conserveringsmethode. Dit programma is een samenwerkingsverband tussen de Koninklijke Bibliotheek en het Nationaal Archief. Ook vele andere bibliotheken in Nederland, de universiteitsbibliotheken voorop, zijn bezig met digitaliseringprogramma’s. Vooral de universiteitsbibliotheken van de “oude”, klassieke, Nederlandse universiteiten (Leiden, Utrecht, Groningen, Amsterdam) bezitten een in eeuwen gegroeide collectie boeken en m anuscripten die óók voor taalen tekstwetenschappelijk onderzoek van groot belang kan zijn. Bij de beschrijving van de bestaande infrastructuur van taal en tekst in Nederland spelen ook de eerder genoemde Nederlandse Taalunie en sinds kort ook CLARIN-NL een rol van belang. De Taalunie doet dat al geruime tijd en van CLARIN mag verwacht worden dat dit op termijn ook het geval zal zijn.

22


Nederlandse Taalunie De Nederlandse Taalunie is in het verband van dit onderzoek een belangrijke organisatie. Deze organisatie, die zowel het INL als de DBNL onder haar hoede heeft, richt zich op vrijwel alle aspecten van het Nederlands als taal en niet alleen in Nederland. De Taalunie zelf is geen onderzoeksorganisatie, maar een intergouvernementele verdragsorganisatie, dat wil zeggen een beleidsorganisatie waarin Nederland, Vlaanderen en Suriname samenwerken op het gebied van het Nederlands. Een belangrijke doelstelling is het beter toegankelijk maken en gebruiken van het Nederlands, als taal en als literatuur, speciaal ook het lezen daarvan. In dit kader moet de steun aan de DBNL gezien worden. Het heeft daarbij uitdrukkelijk niet primair een wetenschappelijke invalshoek, anders dan bijvoorbeeld de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO) als een onderzoek subsidiërende organisatie. Veel door de Taalunie (mede)gefinancierde activiteiten en producten zijn echter wel degelijk van groot belang voor wetenschappelijk onderzoek, vooral als basismateriaal. Taal en technologie, het Nederlands in digitale toepassingen, neemt echter ook een belangrijke plaats in bij de Taalunie. Dit verklaart de bemoeienis met het programma STEVIN en de TST-Centrale, zoals hierboven bij het INL vermeld. CLARIN-NL Sinds begin 2009 wordt er gewerkt aan de opzet en uitbouw van de digitale infrastructuur in Nederland op geesteswetenschappelijk gebied in het CLARIN-NL project. Dit is specifiek op de linguïstiek gericht. CLARIN-NL gaat daarmee deel uitmaken van de Europese infrastructuur CLARIN. Het doel van het Europese CLARIN, en daardoor ook van het Nederlandse, is om aan taalkundige en andere geesteswetenschappelijke onderzoekers inter-operabele data en tools ter beschikking te stellen. Hiertoe gaat CLARIN-NL een research infrastructuur opzetten en verder exploiteren. CLARIN houdt zich in principe niet met digitalisering Taal- en Tekstdata in Nederland

23

van nog analoge teksten bezig. Voor CLARIN-NL is de ontwikkeling, maar vooral toepassing van – zich nog ontwikkelende – standaarden in het onderzoek van essentieel belang. Er zijn geen algemeen aanvaarde metadata op taalkundig gebied, waardoor dit zeer sterk een te ontginnen terrein is. In het algemeen stelt multidisciplinair gebruik – bijvoorbeeld door taalen letterkundigen gezamenlijk – eisen aan de te gebruiken metadata. Voor metadata is er echter in de huidige praktijk geen scheiding tussen taal en tekst. CLARIN stelt een “component-based” aanpak voor. De Component Metadata Infrastructure (CMDI) biedt de mogelijkheid om verschillende profielen aan te maken voor verschillende typen bestanden3. Doordat CLARIN-NL onderdeel is van de Europese CLARIN infrastructuur kan het op internationale schaal standaardisatie toepassen om het bronnenmateriaal daarnaar om te zetten en door tools te ontwikkelen die met deze internationale standaarden (in spe) kunnen omgaan. Op deze wijze kan er overal in Europa op dezelfde wijze gewerkt worden, o.a. bij het zoeken naar materiaal. Het plan is verder om de op deze wijze ontwikkelde data en tools te gaan opslaan bij de CLARIN-centra. Deze zijn van dienstverlenende aard en onder meer bestemd voor het op de lange termijn bewaren en toegankelijk houden van deze data en tools. De CLARIN centra zijn het Meertens Instituut, het INL, het MPI, het Huygens ING Instituut en DANS. De rol van de CLARIN-centra is op dit moment nog niet geheel vastgesteld. Deze instituten zijn nu bezig met projecten in CLARIN-NL verband om hun rol als CLARIN-centrum uit te werken. Er zijn geen vooropgezette beperkingen aan het aantal CLARIN-centra. Wel moeten deze centra aan een aantal criteria voldoen wat betreft hun dienstverlening. CLARIN-NL is nu begonnen met een aantal rondes “data curation and demonstrator” projecten. Data curation is gericht op zichtbaar, refereerbaar en toegankelijk maken van goed 3 24

Zie http://www.clarin.eu/cmdi


gedocumenteerde data. Bij demonstrator projecten gaat het vooral om tools of toepassingen die als showcase dienen voor door CLARIN gewenste functionaliteit. Daarnaast wordt op dit moment de mogelijkheid onderzocht om tot “Data Curation Service” te komen die vooral gericht zal zijn op het redden van oudere onderzoeksdata. b. Leemtes infrastructuur

Overige data-infrastructuur Wat is er aan data-infrastructuur buiten de onder a genoemde grote instituten? Deze instituten bestrijken een belangrijk deel van de Nederlandse data-infrastructuur op het gebied van taalen letterkunde, maar doen dat zeker niet volledig. Dat wil zeggen dat niet alle data door deze instituten beheerd worden. Dat lijkt zelfs te gelden voor het onderzoek in de neerlandistiek, zoals uit een korte verkenning van de CLARIN-resources blijkt, wanneer op “Dutch” als taal wordt geselecteerd (http://www. clarin.eu/view_resources). Er zijn vele onderzoeksinstellingen in Nederland, groot en klein, op taalen tekstgebied waar geen beheer van data bestanden plaatsvindt. Er is geen beheer binnen de instelling en ook niet vanuit een andere, wel of niet overkoepelende, organisatie. Onder beheer wordt in dit verband verstaan zorg voor langetermijnbewaring van de data, maar vooral ook toegang tot de data, nu of in de toekomst. Uit eerder onderzoek is gebleken dat de meeste Nederlandse onderzoeksinstituten nauwelijks een beleidsplan hebben op het gebied van data management in het algemeen4. Bij de meeste van de onder a genoemde instituten is mogelijk ook nog niet sprake van een uitgewerkt of geëxpliciteerd beleidsplan, maar bij déze instituten zijn er toch sterke aanwijzingen dat hier zeker wel op de 4

orik van, R. Nationale Verkenning Digitale Duurzaamheid. Inputnotitie H sector wetenschap Nationale Coalitie voor Digitale Duurzaamheid 2009 http://www.ncdd.nl/documents/NCDDinputwetenschap2009.pdf Taal- en Tekstdata in Nederland

25

digitale bestanden gelet wordt. Het betreft bij een aantal van deze instituten de “core business”. De andere dan de onder a genoemde onderzoeksinstellingen kunnen universitaire vakgroepen of instituten zijn, maar ook onderzoeksinstituten buiten de universitaire omgeving, meestal van kleinere omvang dan de onder a genoemde. Wat betreft de universitaire instellingen moet er op gewezen worden dat er op dit moment op geen enkele Nederlandse universiteit centraal beheer van databestanden plaatsvindt. De universiteitsbibliotheken beschouwen dit niet als hun taak, in ieder geval nog niet. Het is niet uitgesloten dat deze instellingen dat in de toekomst wel gaan doen, in aansluiting op in de laatste jaren opgezette e-repositories voor elektronische publicaties. Op dit moment is daar nog geen duidelijkheid over. Uit de hierboven vermelde observaties en vooral de gevoerde gesprekken kan de conclusie getrokken worden dat voor mogelijk veel talen, buiten het Nederlands, de situatie zowel ten aanzien van de toegankelijkheid als ten aanzien van de langetermijn bewaring zorgelijk te noemen is. Dat geldt in principe voor alle uitingen in die talen: schriftelijk (tekst, literatuur) en mondeling (spraak), zowel analoog als digitaal. Soms is de feitelijke toegang tot de onderzoeksdata alleen afhankelijk van de goede wil en/of de deskundigheid van één welwillende medewerker. Dat geldt evenzeer voor de langetermijnbewaring. Het zal duidelijk zijn dat dit niet een gewenste situatie is. Er zijn dan ook reeds databestanden onvindbaar of feitelijk ontoegankelijk geworden door vertrek of overlijden van deze ene medewerker. Volgens een aantal geïnterviewden wordt een aantal van de belangrijkste resources, zoals bijvoorbeeld digitale versies van de Bijbel in diverse vertalingen of klassiek-Griekse teksten, via commerciële programma’s ter beschikking gesteld. Gelet op het commerciële belang zullen deze digitale bestanden waarschijnlijk wel goed bewaard worden, maar helemaal zeker is dat, zeker op de lange termijn, natuurlijk niet. Op dit moment is het onduidelijk of commerciële partijen en wetenschappelijke

26


uitgeverijen tot grootschalige langetermijnbewaring van data of tekstbestanden willen overgaan; tot nu toe lijken de uitgeverijen daar geen taak voor zichzelf te zien weggelegd, zeker niet wanneer het om data gaat die niet direct aan een publicatie gelinkt kunnen worden5. Bedacht moet worden dat we niet over een overzicht voor heel Nederland beschikken. De conclusies in deze paragraaf zijn gebaseerd op de interviews en ook zijn de eerste, voorlopige, resultaten van de CLARIN survey6 geanalyseerd. De meeste geïnterviewden waren het op dit punt wel met elkaar eens. Het gaat hier om algemene lijnen. Het is heel goed mogelijk dat de situatie plaatselijk soms wat beter gesteld is, maar soms ook slechter. Bedreigde data Door verschillende geïnterviewden is nadrukkelijk de situatie in Leiden, één van de belangrijkste talenuniversiteiten, genoemd waar recent zeer forse bezuinigingen bij verschillende talen in de Faculteit der Geesteswetenschappen hebben plaatsgevonden. Volgens een aantal geïnterviewden zijn hierdoor zeker bestanden bedreigd met algehele verwaarlozing. Daarbij moet een onderscheid gemaakt worden tussen bedreigde talen en bedreigde bestanden van talen. Mous (Leiden) constateerde dat mogelijk vele waardevolle bestanden bedreigd worden. Ook bij de niet-bedreigde archieven is de situatie niet zeker voor de toekomst. Bezuinigingen kunnen hier uiteraard (althans mede) debet aan zijn. Bedreigde talen Iets anders zijn de bedreigde talen. Volgens Muysken is v olgens de huidige inzichten 50 à 90 % van de nu bedreigde talen b innen vijftig jaar verdwenen. Indien waarde gehecht wordt aan het blijvend bewaren van de getuigenissen, tekst en/of spraak, van al verdwenen of op korte termijn te verdwijnen talen zal er veel 5 http://www.parse-insight.eu/downloads/PARSE-Insight_D3-6_InsightReport.pdf 6 De CLARIN-NL user survey is nog niet afgerond en ook nog niet gepubliceerd. Taal- en Tekstdata in Nederland

27

meer moeten gebeuren. Er zijn een paar instellingen op internationaal niveau die op dit moment functioneren als archieven van bedreigde talen: het Max Planck Instituut in Nijmegen (DoBeS), CNRS (Lacito-archief) in Parijs en de Rausing Trust in Londen. Van individuele onderzoekers is ook wel materiaal bij Nederlandse Universiteitsbibliotheken ondergebracht. Tools Bij taalkundig onderzoek wordt data nogal eens gegenereerd uit wel of niet zelfgemaakte software applicaties. Dit zijn vaak applicaties die voor een heel specifiek doel zijn gebouwd. De grote vraag daarbij is hoe belangrijk het is om deze applicaties “in de lucht te houden”. Dat komt neer op de vraag naar de reproduceerbaarheid van de data, want zonder de applicaties kun je daar niet zoveel mee. Die reproduceerbaarheid wordt wel gewenst door onderzoekers, omdat toch vaak kritische vragen rijzen over de soms glanzende data die gebruikt zijn volgens de bijbehorende onderzoekspublicaties. Programma’s, executables, kunnen zeer snel verouderen, maar indien de desbetreffende algoritmen goed beschreven zijn en de broncode beschikbaar is, is een programma reproduceerbaar. Er is ook een CLARIN inventarisatie van tools. c. Gewenste data-infrastructuur; rol CLARIN

Wat kan, als conclusie uit de voorafgaande paragrafen, nu gezegd worden over de wensen in het Nederlandse onderzoeksveld met betrekking tot de data-infrastructuur? Wat opvalt, wanneer gesproken wordt met het veld, is dat vrijwel niemand een volledig overzicht heeft van wat er aan activiteiten plaatsvindt op taalen letterkundig gebied. Bedoeld worden activiteiten op het digitale vlak in de meest brede zin van het woord: digitalisering en archivering. Zoals overal in de geesteswetenschappen heeft daarbij de digitalisering verreweg de meeste aandacht. Dat is volstrekt 28


begrijpelijk. Vrijwel alle geesteswetenschappers hebben behoefte aan liefst zoveel mogelijk digitaal bronnenmateriaal, linguïsten net zo hard als bijvoorbeeld historici. Taalkundigen willen zelfs graag zoveel mogelijk massa: zo groot mogelijke corpora tekst of spraak, in digitale vorm. Een al jaren onderkend probleem is waar de prioriteiten bij digitalisering van het uiterst omvangrijke nog analoge materiaal gelegd moeten worden. Op dit terrein is er sprake van uiteenlopende spelers: erfgoedinstellingen als bibliotheken en archieven, onderzoeksinstellingen, individuele onderzoekers of onderzoeksgroepen. Er is echter geen enkele coördinatie waar te nemen ten aanzien van enig beleid, zelfs als wij ons tot het Nederlands beperken. Pogingen van de Nederlandse Taalunie kort geleden om te trachten tot coördinatie op dit punt te komen, van belang bij het aanvragen van subsidies en degelijke, zijn gestrand. Tot op heden is er zelfs geen overzicht van alle verschillende initiatieven en het leek er tot voor kort niet naar uit te zien dat enige instantie, ook het ministerie van OC&W niet, hier coördinerend gaat optreden. Hier bevindt zich naast de collectiegerichte belangen van de grote erfgoedinstellingen ook een spanningsveld tussen de wensen van het wetenschappelijk en het “algemeen” publiek. Deze twee groepen wensen leiden niet noodzakelijk tot dezelfde prioriteiten. Al jaren geleden werd, in het “rapport Viskil”, gewezen op deze coördinatieproblemen, maar er lijkt hier niet veel voortgang geboekt te zijn7. Een belangrijk initiatief zou Libratory kunnen worden, een groot geïntegreerd project om grote porties van het historische Nederlandse taalmateriaal te digitaliseren. Dit materiaal is afkomstig uit de gezamenlijke bijzondere collecties van een aantal Nederlandse wetenschappelijke bibliotheken. In 2010 werd de verwachting gewekt dat het ministerie van OC&W tientallen miljoenen zou kanaliseren voor dit 7

Erik Viskil, Een digitale bibliotheek voor de geesteswetenschappen. Aanzet tot een programma voor investering in een landelijke kennisinfrastructuur voor geesteswetenschappen en cultuur, beleidsnota NWO, Den Haag, 1999


29

programma, waarvan de belangrijkste uitvoerders zouden worden de u niversiteitsbibliotheken en de geesteswetenschappelijke KNAW-instituten. Of deze verwachting ook daadwerkelijk gematerialiseerd zal worden moet worden betwijfeld, zeker in het huidige tijdgewricht van bezuinigingen. Mogelijk belangrijker in dit verband is het contract dat de Koninklijke Bibliotheek in juli 2010 heeft afgesloten met Google Books. Dit betreft de digitalisering van circa 160.000 boeken, het merendeel van de rechtenvrije collectie van de KB. De gedigitaliseerde boeken zullen volledig doorzoekbaar en gratis toegankelijk worden gemaakt via Google Books. Een goede stap in de richting is wel de inventarisatie door CLARIN van aanwezige bestanden (resources), waarvan het Nederlandse deel door DANS en CLARIN is opgezet. Meer hierover in het volgende hoofdstuk. Deze inventarisatie is uiteraard juist gericht op wat er nu is dan wel wat in ontwikkeling is, maar is tot op heden zeker niet volledig. Mogelijk nog belangrijker kunnen de resultaten van de door CLARIN opgezette user survey worden, zeker wanneer daarin gebruikerswensen worden opgenomen. De aandacht voor archivering, langetermijnbewaring, is meestal een stuk minder. Het zal duidelijk zijn dat voor het behoud van de digitale bestanden aandacht hiervoor in de vorm van een “trusted digital repository” van belang is. Door onderzoekers wordt dit belang vaak ook wel onderschreven. Ook op dit gebied zijn ontwikkelingen waar te nemen. Bij grotere instellingen begint, wel of niet langzamerhand, het besef door te dringen dat een actief data management beleid, bij voorkeur met een duidelijk plan, nodig is. Ook internationaal is een duidelijke ontwikkeling waarneembaar aan welke eisen trusted digital repositories zouden moeten voldoen. Het Data Keurmerk8 is geheel gericht op de criteria voor trusted digital repositories. Het zou een goede zaak zijn wanneer de CLARIN data centra aan dit Keurmerk zouden voldoen, om de toegang tot taalen 8 30

http://www.datasealofapproval.org.


tekst data, en zo mogelijk ook tools, op de lange termijn veilig te stellen. In het CLARIN-NL project “Implementatie Infrastructuur Plan” gaat DANS dit datakeurmerk daadwerkelijk uitrollen voor CLARIN centra. Voor door NWO gefinancierde projecten op het terrein voor taal en tekst geldt dit nu al, althans in het programma investeringen middelgroot Geesteswetenschappen. Wat betreft deze langetermijnbewaring lijkt op basis van de gehouden gesprekken de conclusie te zijn dat deze bij de grote, in paragraaf a genoemde instituten in redelijk goede handen is. Ook bij deze instituten is dit aandachtsgebied echter duidelijk nog in ontwikkeling. Tevens kan de vraag gesteld worden of langetermijnbewaring voor al deze instituten een kerntaak zal blijven en in welke breedte. Zal bijvoorbeeld het MPI een groot taalarchief voor Nederlandse onderzoekers gaan worden? Kan ervan uitgegaan worden dat alle CLARIN centra hiervoor blijvend zorg gaan dragen? DANS zou op dit punt een coördinerende rol kunnen gaan spelen. Het is te vroeg om daar nu iets definitiefs over te kunnen zeggen. Vooral door de letterkundigen is in de gesprekken gewezen op de versnippering in de alfawetenschappen in het algemeen en in de letterkunde in het bijzonder. Daarom wordt daar sterk een unificerende infrastructuur gewenst, met centrale opslagcapaciteit. Dit impliceert dat de tekstwetenschappelijke bestanden meer aandacht zouden behoeven dan de taalkundige op dit moment. Wat betreft de bewaring van tools is al gewezen op de rol van de TST-Centrale in het kader van wat het STEVIN-project voortgebracht heeft. Een onbeantwoorde vraag is de langetermijnbewaring van deze tools. Ook daar kan CLARIN mogelijk een belangrijke rol gaan spelen: er is een CLARIN-NL project opgestart om de erfenis van TST-tools beschikbaar te maken als webservices, waardoor ze beter geïntegreerd kunnen worden in de CLARIN-infrastructuur. Dit project wordt met CLARIN-NL geld alsmede met fondsen uit Vlaanderen gefinancierd. Taal- en Tekstdata in Nederland

31

Iets anders is nog de zorg voor de bedreigde databestanden. Hier zijn zowel retro-archiveringsprojecten gewenst als digitaliseringsprojecten. Wat het laatste betreft gaat het daarbij in eerste instantie om het preserveringsmotief. Zoals hierboven betoogd zullen de hiervoor in aanmerking komende bestanden moeten concurreren met vele andere wensen uit de humaniora. Wat het eerste betreft, retro-archivering, zijn hier projecten denkbaar die bij DANS bekend staan als ADA-projecten9. Mogelijk gaat op korte termijn een ADA-project in samenwerking met het LUCL - Leiden University Centre for Linguistics van start, gericht op bedreigde databestanden. CLARIN-NL zou hier ook een rol kunnen spelen.

9

32

ttp://www.dans.knaw.nl/content/categorieen/diensten/retro-archiveringh van-data-de-ada-methode


4. Inventarisatie

4. Inventarisatie Eén van de doelstellingen van dit onderzoek was een inventarisatie van de in Nederland bestaande databanken op dit terrein om daardoor een beter inzicht in het hele veld te verkrijgen. Daartoe is in het najaar van 2008 door DANS een inventarisatie opgezet in samenwerking met het Europese CLARIN-project. DANS trad daarbij op als de Nederlandse national contact partner voor de algemene, Europese, CLARIN inventarisatie van taalkundige bestanden. Het ging daarbij om alle in Nederland bestudeerde talen, inclusief gebarentalen. De inventarisatie richtte zich op teksten taaldatabanken, corpora, lexica, geschreven of gesproken én ook eventueel bijbehorende tools (applicaties), die gevormd zijn in een academische onderzoeksomgeving. Deze resources lijst wordt op dit moment nog onderhouden door de Europese CLARIN organisatie. Aan alle in Nederland bekende taalen letterkundige onderzoekers is verzocht om voor deze inventarisatie gegevens in te voeren. De selectie van deze onderzoekers vond plaats met behulp van de NOD – de Nederlandse Onderzoeks Databank. Deze inventarisatie diende twee deels verschillende, deels elkaar overlappende doelen. Om onderzoekers niet onnodig te belasten en dubbel werk te voorkomen is door DANS en CLARIN besloten twee afzonderlijk geplande inventarisaties met ieder een eigen invalshoek samen te voegen tot één inventarisatie. De inventarisatie van DANS was vooral op het onderzoek naar de data-infrastructuur gericht. Dat van CLARIN was vooral op taalkundige data én tools in heel Europa gericht. Uiteindelijk is de al vrijwel gereed zijnde CLARIN-inventarisatie gebruikt, via de CLARIN-website, maar zijn ten behoeve van het onderzoek van DANS enkele specifieke velden toegevoegd, waarvan de belangrijkste de vraag naar de digitale duurzaamheid was. Op dit moment (februari 2011) bevinden zich in de database10 71 databases uit Nederland en Vlaanderen: country = 10 http://www.clarin.eu/view_resources. CLARIN Virtual Language Taal- en Tekstdata in Nederland

33

“The Netherlands” of “Belgium”. Als op taal van onderzoek wordt geselecteerd zijn er 63 databases die uitsluitend Nederlands als taal bestuderen (dit overlapt voor driekwart de databases in Nederland en Vlaanderen) en 21 voor Nederlands in combinatie met enige andere talen. Daarnaast is overigens ook een inventarisatie van tools gemaakt. In dit niet zo grote aantal van 71 databases zit wel een redelijke spreiding. De meest voorkomende zijn lexica, spraakcorpora en tekstcorpora. Omineus is dat de voor de meeste databases het veld “voorzieningen voor langetermijnbewaring” niet is ingevuld en dat alleen enige malen de TST-Centrale of het MPI hier genoemd worden. De conclusie hieruit moet zijn dat dit overzicht niet volledig is en als voorlopig beschouwd dient te worden. Wel zijn enkele van de grootste bestanden opgenomen van de grote in paragraaf 3.a genoemde instituten, zoals INL, MPI of Meertens Instituut. Ondertussen is er nu ook de CLARIN Virtual Language Observatory, waarin verwezen wordt naar de bovengenoemde inventarisatie. Deze Obervatory dient als een portal beschouwd te worden van “language resources and technology”. De informatie is deels geharvest, maar is deels ook afhankelijk van de bereidheid van individuele onderzoekers/-onderzoeksgroepen om gegevens aan te leveren. In deze observatory worden veel meer teksten taalbestanden genoemd, maar wel op een meer summiere wijze. De indruk, door een aantal geïnterviewde onderzoekers onderschreven, bestaat zeer sterk dat speciaal veel kleinere en mogelijk vooral ook oudere databestanden niet in deze inventarisaties zijn opgenomen. De conclusie moet zijn dat deze database, wil deze werkelijk volledig worden, meer aandacht en onderhoud vergt dan nu gegeven wordt. Het lijkt belangrijker om inventariserende projecten te gaan uitvoeren die meer de diepte ingaan, dat wil zeggen gericht op één onderzoeksgroep, faculteit of instituut. Een inventarisatie kan leiden tot een retro-archiverings-project Observatory: http://www.clarin.eu/vlo/ 34


(“ADA”-project). Dit zou heel goed in samenwerking met de op te richten Data Curation Service van CLARIN.NL kunnen gebeuren.


35

5. Conclusie

5. Conclusie In het voorafgaande is getracht de data-infrastructuur in Nederland in kaart te brengen op taalen tekstwetenschappelijk terrein. Dat is bewust beperkt gebleven tot grote lijnen. Voor meer gedetailleerde kennis is diepergaand onderzoek nodig, dat met en door het veld zelf zal moeten plaatsvinden. Wij vatten de uitkomsten van dit onderzoek eerst nog even kort samen om daarna tot aanbevelingen te komen. Samenvatting Taal- en tekstwetenschappen zoals voor dit onderzoek begrensd vormen een uiterst brede en diverse discipline. Er bestaan grote verschillen in de behoeften van taalen tekstwetenschappers. Mogelijk belangrijker nog in dit verband is de grote variëteit in de bestaande voorzieningen op data-infrastructureel gebied. Er is in Nederland sprake van een beperkt aantal grote instituten met veel relevant bronnenmateriaal. Deels zijn dit wetenschappelijke onderzoeksinstituten die meer of minder actief permanente toegang tot de door dit instituut (of anderen) geproduceerde data verzorgen. Deze data zijn specifiek voor wetenschappelijk onderzoek geproduceerd. Deels zijn dit echter ook op een algemeen publiek gerichte instellingen die data aanbieden die door onderzoekers meestal verder moeten bewerkt. Een voorbeeld van het eerste is het Huygens ING Instituut, een voorbeeld van het tweede is de DBNL en ook de wetenschappelijke bibliotheken. Hier bevindt zich een spanningsveld, zoals dat heel duidelijk blijkt bij het stellen van prioriteiten bij de keuze van digitaliseringsprojecten, maar ook bij het produceren van geannoteerde of gemarkeerde teksten. Los van dit laatste kan gesteld worden dat hier van een mogelijk niet goed samenhangende, maar deels wel functionerende data-infrastructuur gesproken kan worden. Daarnaast moest geconstateerd worden dat voor een belangrijk deel van het taalen vooral meer individualistisch ingestelde 36


letterkundige onderzoek er op dit moment géén bestaande infrastructuur voorhanden is. In het bijzonder geldt dat voor aan universiteiten uitgevoerd onderzoek. Vooral bij de letterkundigen leeft daarom een sterke wens van een “unificerende infrastructuur”. Het is mogelijk dat CLARIN hier op den duur in gaat voorzien. In eerste instantie zal dit een taak van de CLARIN centra (MPI, Meertens Instituut, INL, Huygens ING, DANS) worden. In hoeverre deze het hele onderzoeksveld zullen gaan bestrijken is echter nu nog de vraag. Van groot belang voor de onderlinge raadpleging en uitwisseling van bestanden kan wel de door CLARIN nagestreefde standaardisatie gaan worden. Ook is duidelijk geworden dat de voorzieningen voor het Nederlands aanmerkelijk beter zijn georganiseerd dan voor andere talen, de inspanningen van het MPI niet te na gesproken. Dit ligt natuurlijk wel heel erg voor de hand, maar moet hier wel duidelijk geconstateerd worden. De door DANS en CLARIN in het begin van dit onderzoek opgezette inventarisatie biedt op dit moment zeker nog geen volledig beeld van alle in Nederland aanwezige bestanden op het terrein van taalen letterkunde. Deze laatste conclusie wordt indirect bevestigd door verschillende gesprekspartners die constateerden dat veel bestanden dreigen te verdwijnen, maar dat er geen volledig beeld van de grootte van dit probleem is, ook niet bij plaatselijke onderzoekscentra. Voor de meesten staat wel vast dat hier op korte termijn actie ondernomen moet worden. Het probleem hierbij is dan wie zo’n actie gaat initiëren alsmede de financiering daarvan. DANS kan daarbij een rol spelen, maar zal dat altijd in samenwerking met het betrokken onderzoeksveld moeten doen. In navolging van hoe dit bij andere disciplines gedaan is (zoals bij het ontstaan van EDNA voor de archeologie) is het aanbevelenswaardig eerst een inventariserend pilotproject op te starten.


37

6. Aanbevelingen voor DANS

6. Aanbevelingen voor DANS Aanbevelingen voor DANS met betrekking tot de data-infrastructuur taalen tekstwetenschappen in Nederland: 1. DANS archiveert zoveel mogelijk de Nederlandse databestanden op taalen tekstgebied voor de lange termijn die niet in een DSA-certified trusted digital repository zijn opgeslagen. Toelichting: Taal en tekstbestanden, zoals geïnventariseerd in de CLARIN EU Language Resource Inventory en de CLARIN Virtual Language Observatory, moeten veilig bewaard worden voor de lange termijn en toegankelijk blijven, dat wil zeggen in een DSA-gecertificeerde trusted digital repository. Dat kan bij DANS zijn, dat kan echter ook bij één van de instituten genoemd in deze studie dan wel bij andere, indien deze een volwaardig trusted digital repository beheren. Wanneer databestanden via DANS (EASY) gearchiveerd en ter beschikking worden gesteld gebeurt dit kosteloos. Wanneer DANS lange termijn archivering uitvoert voor andere Trusted Digital Repositories, of in het geval dat DANS slechts backup faciliteit levert en geen toegang tot de data, brengt DANS kosten in rekening. Voor bestanden gecreëerd in Vlaamse instellingen geldt dat deze opgenomen kunnen worden indien daarvoor financiering ter beschikking wordt gesteld, bijvoorbeeld door de Nederlandse Taalunie. DANS wordt in principe alleen voor de zorg van Nederlandse databestanden gefinancierd. 2. Inventariserende projecten die leiden tot retro-archivering zijn dringend noodzakelijk (“ADA”-projecten), bij voorkeur in afstemming met de op te richten Data Curation Service van CLARIN.NL. Toelichting: In de praktijk zal met een ADA-project (inventarisatie gevolgd door selectie en retro-archivering) bij één faculteit 38


begonnen worden. Kosten hiervan kunnen worden g edragen door DANS (een “Klein Data Project”), de desbetreffende faculteit en/of CLARIN.NL. Niet alle faculteiten en onderzoeks groepen kunnen tegelijk aangepakt worden, maar op den duur kan hier een landelijke dekking ontstaan. Bij DANS dient één medewerker te komen die specifiek verantwoordelijk is voor de archivering en acquisitie van taalen tekstbestanden. 3. Alle belangrijke instituten die zich bezighouden met taalen/of tekstwetenschappen dienen uiterlijk in 2016 een DSAgecertificeerd trusted digital repository te zijn. Toelichting: Ook universiteiten kunnen een DSA-gecertificeerd trusted digital repository (TDR) worden. Daarbij moet uiteraard speciaal aan de universiteitsbibliotheken gedacht worden. Dat geldt ook voor de CLARIN A/B centra. Overigens kan een deel van de verplichtingen van een TDR uitbesteed worden aan een ander TDR, met name de lange termijn opslag. De TDR die deze verplichtingen overneemt moet dan wel zelf de lange termijn opslag regelen. DANS is een voorbeeld van zo’n TDR. 4. Nader onderzoek naar de wenselijkheid van het archiveren van taal- of letterkundige tools (software-programma’s) en de aard van deze problematiek is noodzakelijk. Toelichting: Er ligt hier een taak voor DANS. DANS zal daarbij naar bestaande toepassingen zoeken, zoals met name bij de TST-Centrale van het INL aanwezig. 5. DANS geeft meer bekendheid aan haar rol voor het onderzoeksveld van de taalen/of tekstwetenschappen: langetermijn archivering, Data Seal of Approval en specifieke projecten gericht op bewaring en beschikbaarstelling van taalen tekstbestanden.


39

Toelichting: Deze bekendheid kan langs verschillende wegen bereikt worden: factsheet, gastcolleges, aanwezigheid bij, deelname aan en organisatie van conferenties en workshops. Speciaal zal daarbij ook de rol van DANS als CLARIN-centrum ten opzichte van de andere CLARIN-centra duidelijk gemaakt moeten worden. 6. Om verschillende redenen is nog steeds meer digitalisering gewenst van bronnen van analoge aard. Dat is als zodanig echter geen taak voor DANS. Toelichting: Het is niet de missie van DANS om digitaliseringsprojecten uit te voeren. Dat neemt echter niet weg dat DANS bij digitaliseringsprojecten een rol kan spelen op het terrein van de digitale duurzaamheid.

40


Bijlage: geïnterviewden

Bijlage: geïnterviewden Mw. dr. K.H. van Dalen-Oskam, onderzoeksleider ICT & Teksten, Huygens ING Instituut Den Haag Mw. E. D’Halleweyn, senior projectleider Nederlandse Taalunie Den Haag Mw. lic. K. Depuydt, Hoofd van de afdeling Taalbank Nederlands, Instituut voor Nederlandse Lexicologie Leiden Mw. drs. A. Dijkstra, senior beleidsmedewerker, Gebied Geesteswetenschappen NWO Den Haag C. Klapwijk, projectleider DBNL Leiden Drs. S. Krauwer, coördinator en voorzitter Executive Board CLARIN, Faculteit Geesteswetenschappen, Utrecht Institute of Linguistics OTS (UiL OTS), Universiteit Utrecht Prof.dr. M.P.G.M. Mous, hoogleraar Afrikaanse taalkunde, academic director LUCL – Leiden University Centre of Linguistics, Universiteit Leiden Prof. Dr. P.C. Muysken, hoogleraar algemene taalwetenschap, Radboud Universiteit Nijmegen Prof. dr. J.E.J.M. Odijk, programma directeur CLARIN – NL Faculteit Geesteswetenschappen, Utrecht Institute of Linguistics OTS (UiL OTS), Universiteit Utrecht Prof. dr. E. Talstra, hoogleraar Oude Testament, Vrije Universiteit Amsterdam


41

Drs. R. van Veenendaal, projectleider TST-Centrale, Instituut voor Nederlandse Lexicologie Leiden prof. dr. P.T.J.M. Vossen, hoogleraar computationale lexicologie, Vrije Universiteit Amsterdam P. Wittenburg, lid Executive Board CLARIN, Head Language Archive, Max Planck Instituut voor Psycholinguistiek, Nijmegen Mw. T. van der Werf-Davelaar Director of Collections & Digital Infrastructure, – Internationaal Instituut voor Sociale Geschiedenis Amsterdam prof. dr. E.J. Zürcher, Directeur IISG – Internationaal Instituut voor Sociale Geschiedenis Amsterdam, voorzitter Raad voor Geesteswetenschappen KNAW Amsterdam

42



43

In dit rapport wordt de data-infrastructuur in Nederland op taalen tekstwetenschappelijk terrein in kaart gebracht. Taal- en tekstwetenschappen vormen een uiterst brede en diverse discipline. Er bestaan grote verschillen in de behoeften van taalen tekstwetenschappers. Een belangrijke conclusie uit dit rapport is dat er een grote variëteit bestaat in de bestaande voorzieningen op datainfrastructureel gebied. Geconstateerd wordt dat voor een belangrijk deel van het taalen vooral het meer individualistisch ingestelde letterkundige onderzoek er op dit moment géén bestaande infrastructuur voorhanden is. Deze inventarisatie laat zien dat er behoefte bestaat aan een gebundelde, duurzame toegang tot taalen tekstbronnen in Nederland en DANS speelt daar een belangrijke rol in.

Data Archiving and Networked Services (DANS) bevordert duurzame toegang tot digitale onderzoeksgegevens. Hiertoe stimuleert DANS dat wetenschappelijke onderzoekers gegevens duurzaam archiveren en hergebruiken, bijvoorbeeld via het online archiveringssysteem EASY. Tevens biedt DANS met Narcis.nl toegang tot duizenden wetenschappelijke datasets, e-publicaties en andere onderzoeksinformatie in Nederland. Daarnaast verzorgt het instituut training en advies en doet het onderzoek naar duurzame toegang tot digitale informatie. Gedreven door data zorgt DANS er met zijn dienstverlening en deelname in (inter)nationale projecten en netwerken voor dat de toegang tot digitale onderzoeksgegevens verder verbetert. Kijk op www.dans.knaw.nl voor meer informatie en contactgegevens. DANS is een instituut van KNAW en NWO.

Taal- en Tekstdata in Nederland

Recommend Documents